CN114926359A - 联合双颜色空间恢复和多级解码结构的水下图像增强方法 - Google Patents

联合双颜色空间恢复和多级解码结构的水下图像增强方法 Download PDF

Info

Publication number
CN114926359A
CN114926359A CN202210548968.2A CN202210548968A CN114926359A CN 114926359 A CN114926359 A CN 114926359A CN 202210548968 A CN202210548968 A CN 202210548968A CN 114926359 A CN114926359 A CN 114926359A
Authority
CN
China
Prior art keywords
image
color
enhancement
rgb
underwater
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210548968.2A
Other languages
English (en)
Other versions
CN114926359B (zh
Inventor
罗俊海
陈瑜
田雨鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202210548968.2A priority Critical patent/CN114926359B/zh
Publication of CN114926359A publication Critical patent/CN114926359A/zh
Application granted granted Critical
Publication of CN114926359B publication Critical patent/CN114926359B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种联合双颜色空间恢复和多级解码结构的水下图像增强方法，具体包括：计算白平衡处理后处理后的图像、获得RGB域增强的图像、获取颜色恢复后的图像、对原始图像进行对比度的增强。本发明的方法通过双颜色空间恢复能够更好地恢复图像的色彩，使得图像的色彩特征更饱满；而在对比度增强的部分中，使用了卷积‑多级反卷积结构，进一步增强了特征信息，对图像的增强效果也越来越好。本发明的方法可以实现对水下图像的颜色进行有效的恢复，并且提高图像的对比度。

Description

联合双颜色空间恢复和多级解码结构的水下图像增强方法
技术领域
本发明属于图像增强领域，具体涉及一种联合双颜色空间恢复和多级解码结构的水下图像增强方法。
背景技术
海洋资源是非常重要的自然资源，而海洋占据了地球的大部分空间，且大部分海洋资源尚未被勘探。解开深海生态系统的奥秘，可以发现新的资源，用于开发药物、食品、能源和可再生能源产品。正因为海洋具有巨大的发展价值，许多研究者更加重视海洋资源的研究。而清晰的水下图像获取对于海洋工程和海洋研究具有重要意义，具有良好的水下图像增强方法可以有效地探测水下环境。但原始的水下图像在图像视觉质量方面很少达到预期。水下图像会由于水中粒子的吸收和散射而退化，这些粒子包括微小的浮游植物、有色的溶解性有机物和非藻类粒子。这些吸收和散射问题阻碍了水下场景理解和计算机视觉应用的性能，如水生机器人检测和海洋环境监测。因此，水下图像增强在水下监测、深海探测、水下机器人等水下视觉任务中发挥着极其重要的作用。为了提高水下图像的视觉质量和吸引力，有必要开发有效的解决方案来提高水下图像的可见性、对比度和色彩特性。
而深度学习在计算机视觉、语音识别、智能推荐等应用领域取得了巨大的成功，尤其是在计算机视觉领域，深度学习彻底改变了图像处理的思路，将图像数据送入网络提取特征，通过损失函数度量结果，优化函数更新网络参数。大量的数据使深度学习算法克服了传统方法的障碍，获得了优质的增强结果，在去模糊、去雨、去雾、去噪、去叠、暗光增强、风格迁移等任务中都有不错的表现。总体上，水下图像增强的最新趋势还是深度学习方法或其他方法和深度学习方法的联合。
水下视觉感知中存在着颜色失真、对比度低、细节模糊等问题，限制了水下视觉任务的应用。而现如今的一些水下图像增强方法，在恢复精度和颜色恢复方面仍然有限，导致水系成像效果不理想，不足以恢复原始场景特征，尤其是颜色特征和图像细节特征。因此，为了提高水下图像的质量，有必要开发有效的解决方案来提高水下图像的可见性、对比度和色彩特性。
发明内容
为解决现有技术存在的上述问题，本发明提出了一种联合双颜色空间恢复和多级解码结构的水下图像增强方法。
本发明的技术方案为：一种联合双颜色空间恢复和多级解码结构的水下图像增强方法，具体包括如下步骤：
S1、对水下图像IRAW进行图像增强，得到待处理的图像IWB，具体过程如下：
将水下图像从RGB空间转换到YCbCr空间，分别计算红色浓度分量Cr、蓝色浓度分量Cb的平均值Mr、Mb；根据Mr、Mb，分别计算Cr、Cb的均方差Dr、Db；然后进行近白区域的判定，判定表达式为：
Cb(i，j)-(Mb+Db×sign(Mb))＜1.5×Db
且Cr(i，j)-(1.5×Mr+Dr×sign(Mr))＜1.5×Dr
其中，sign()代表符号函数，Cb(i，j)和Cr(i，j)分别代表点(i，j)处的蓝色色度分量和红色色度分量；
设置亮度矩阵RL，若图像点的红色浓度分量和蓝色浓度分量均符合上述判别式，则将该点(i，j)的亮度即Y分量值赋值给RL(i，j)；若不符合，则该点的RL(i，j)值置为0；
选取亮度矩阵RL中亮度值为最大的10％的点，然后选择这些点的亮度的最小值Lmin，如果RL(i，j)的值小于Lmin，则把RL(i，j)置为0，否则置为1；
分别把水下图像的RGB三通道值与亮度矩阵RL相乘，得到R2、G2、B2，再分别计算R2、G2、B2的平均值Raver、Gaver、Baver；在亮度分量矩阵Y中，计算出亮度的最大值Ymax，进而得到三通道增益Rgain、Ggain、Bgain，通过增益调整图像的RGB值，得到调整后的三种颜色通道R0，G0，B0，进而得到经过白平衡处理后处理后的图像IWB；
S2、对输入图像IRAW进行RGB域的增强，增强过程包括提取图像颜色特征GWB和生成置信度图CWB；其中，将输入图像IRAW与步骤S1得到的图像IWB分别通过1×1、3×3、5×5这3种大小的卷积核进行特征提取，将特征提取后的图像进行拼接，将拼接后的图像依次经过两个3×3卷积输出得到GWB；将输入图像IRAW与步骤S1得到的图像IWB分别通过4个3×3卷积来获得置信度图CWB，其中，前3个卷积采用了ReLU激活函数，最后一个卷积操作采用的是Sigmoid激活函数；将得到的GWB与置信度图CWB融合，得到在RGB域增强的图像：
Figure BDA0003653685230000021
S3、获取颜色恢复后的图像，将RGB图像IRAW转换到Lab颜色空间，然后对ab通道进行颜色增强处理，最后把L通道拼接上去，得到完整的Lab空间下的图像，将得到的图像从Lab空间转换到RGB空间，得到在Lab颜色空间恢复的图像ILab，与步骤S2得到的增强后的RGB图像IRGB相加融合，得到颜色恢复后的图像Ico；
S4、对原始图像IRAW进行对比度的增强，具体为：
搭建水下图像对比度增强网络，所述增强网络的结构为卷积-多级反卷积结构，具体过程如下：在第一级反卷积：处理的特征图大小均为原图的1/16，相应的跳跃连接经过下采样过程以让特征图大小一致可以进行拼接；在第二级反卷积：处理的特征图大小均为原图的1/8，上一级的特征图经过上采样与本级对应连接，末尾引入原特征图；在第三级反卷积：处理的特征图大小为原图的1/4，上一级的特征图经过上采样与本级对应连接，末尾引入原特征图；
将得到的特征图经过注意力处理，再经过两个3×3卷积输出得到对比度增强后的Icst；
将步骤S3得到的颜色恢复的图像Ico和对比度增强的图像Icst进行融合，得到最终的增强图像。
进一步的，步骤S2所述的卷积核的步长均为1。
本发明的有益效果：本发明的方法通过双颜色空间恢复能够更好地恢复图像的色彩，使得图像的色彩特征更饱满；而在对比度增强的部分中，使用了卷积-多级反卷积结构，进一步增强了特征信息，对图像的增强效果也越来越好。总体上，本发明的方法可以实现对水下图像的颜色进行有效的恢复，并且提高图像的对比度。
附图说明
图1为本发明的联合双颜色空间恢复和多级解码结构的水下图像增强方法流程示意图。
图2为本发明实施例的颜色恢复网络图。
图3为本发明实施例的对比度增强网络图。
图4为本发明实施例的残差结构图。
图5为本发明实施例的注意力机制示意图。
具体实施方式
下面将结构本发明实施例中的附图，对本发明实施例中的技术方案进行清楚的描述。
本发明提供的一种联合双颜色空间恢复和多级解码结构的水下图像增强方法，流程图如图1所示，具体包括如下步骤：
S1、对水下图像IRAW进行图像增强，得到待处理的图像IWB，具体过程如下：
将水下图像从RGB空间转换到YCbCr空间，分别计算红色浓度分量Cr、蓝色浓度分量Cb的平均值Mr、Mb；根据Mr、Mb，分别计算Cr、Cb的均方差Dr、Db；然后进行近白区域的判定，判定表达式为：
Cb(i，j)-(Mb+Db×sign(Mb))＜1.5×Db
且Cr(i，j)-(1.5×Mr+Dr×sign(Mr))＜1.5×Dr
其中，sign()代表符号函数，Cb(i，j)和Cr(i，j)分别代表点(i，j)处的蓝色色度分量和红色色度分量。
设置亮度矩阵RL，若图像点的红色浓度分量和蓝色浓度分量均符合上述判别式，则将该点(i，j)的亮度即Y分量值赋值给RL(i，j)；若不符合，则该点的RL(i，j)值置为0；
选取亮度矩阵RL中亮度值为最大的10％的点，然后选择这些点的亮度的最小值Lmin，如果RL(i，j)的值小于Lmin，则把RL(i，j)置为0，否则置为1；
分别把水下图像的RGB三通道值与亮度矩阵RL相乘，得到R2、G2、B2，再分别计算R2、G2、B2的平均值Raver、Gaver、Baver；在亮度分量矩阵Y中，计算出亮度的最大值Ymax，进而得到三通道增益Rgain、Ggain、Bgain，通过增益调整图像的RGB值，得到调整后的三种颜色通道R0，G0，B0，进而得到经过白平衡处理后处理后的图像IWB；
其中，三通道增益Rgain、Ggain、Bgain如下：
Figure BDA0003653685230000041
Figure BDA0003653685230000042
Figure BDA0003653685230000043
调整后的三种颜色通道R0，G0，B0如下：
R0＝R*Rgain
G0＝G*Ggain
B0＝B*Bgain
S2、对输入图像IRAW做RGB域的增强。
本实施例中输入的图像大小均为224×224×3，增强过程包括提取图像颜色特征GWB和生成置信度图CWB，如图2所示。特征提取部分的输入为IRAW和IWB，特征提取部分采用了多尺度卷积，提取了多个尺度的信息，通过1×1、3×3、5×5这3种大小的卷积核进行特征提取，然后进行拼接，卷积核的步长均为1，卷积过程可以添加合适的padding以保持特征图的大小不变。
此外使用了4个3×3卷积来获得其置信度图，卷积核的步长均为1，所以特征图的大小依然是与原图大小一样。其中，前3个卷积采用了ReLU激活函数，而最后一个卷积操作采用的是Sigmoid激活函数，将特征提取部分得到的GWB与置信度图CWB融合，得到在RGB域增强的图像：
Figure BDA0003653685230000044
其中，IRGB表示在RGB域增强后的结果，
Figure BDA0003653685230000045
表示矩阵的哈达玛积运算，GWB表示获得的颜色特征，CWB表示获得的置信度图。
S3、获取颜色恢复后的图像，
Lab颜色处理部分是在Lab颜色空间下对图像进行颜色的恢复。Lab颜色空间分别存储颜色信息和亮度信息，所以只需要预测两个颜色通道就可以对图像进行颜色恢复，并且Lab颜色空间对图像的颜色灰度是极佳的，因为它包含了广泛的颜色范围。如图2所示，把RGB图像转换到Lab颜色空间，然后对ab通道进行颜色增强处理，最后把L通道拼接上去，得到完整的Lab空间下的图像，其中采用了3个卷积-批处理-激活函数块，增强过程中的残差结构如图4所示，残差块包含两个卷积、批标准化和一个ReLU激活函数，并且将输入直接传递到第二个卷积的后面，以便通过学习输入和输出之间的差异来保护信息完整性。引入的残差块用来学习高级特征并且保证上一层的信息可以完全传输到下一层，使得特征可以得到更好的传输。
将图像从Lab空间转换到RGB空间，得到在Lab颜色空间恢复的图像ILab，与增强后的RGB图像IRGB相加融合，得到颜色恢复后的图像Ico。
S4、对原始图像IRAW进行对比度的增强，搭建水下图像对比度增强网络。网络的整体结构如图3所示。整体结构为卷积-多级反卷积结构。卷积操作可以提取图片中的特征，低层的卷积层可以提取到图片的一些边缘、线条等特征，高层的卷积能够从低层的卷积层中学到更复杂的特征，但同时也可能会让小目标的特征减弱甚至消失，这里引入反卷积来恢复细节信息，其中，卷积核7×7×96的步长为4，会使特征图大小缩小为输入的1/4，即55×55×96。卷积核5×5×256的步长为2，会使特征图大小缩小为输入的1/2，即27×27×256。卷积核3×3×384的步长为2，会使特征图大小缩小为输入的1/2，即13×13×384。所以在反卷积的过程中需要用到上采样来调整特征图大小，以让相应的卷积层的特征图和反卷积层的特征图可以拼接。而引入的残差块可以保证上一层的信息可以完全传输到下一层，使得特征可以在卷积-反卷积过程中得到更好的传输。其结构如图4所示，其中的卷积为3×3，步长为1，不改变特征图的大小。
采用了多阶段反卷积过程来捕捉上下文信息，对图像进行粗到细的增强，增强特征的反卷积过程通过跨阶段连接紧密地连接到下一阶段，进一步增强特征信息。具体的过程如下：在第一级反卷积：处理的特征图大小均为原图的1/16，相应的跳跃连接需要经过下采样过程以让特征图大小一致可以进行拼接。在第二级反卷积：处理的特征图大小均为原图的1/8，上一级的特征图经过上采样与本级对应连接，并且为了保证更丰富的语义信息，末尾引入了原特征图。在第三级反卷积：处理的特征图大小均为原图的1/4，上一级的特征图需经过上采样与本级对应连接，同理末尾引入了原特征图，进一步增强特征信息。最终得到图3所示的输出：5个特征图O1、O2、O3、O4和O5。
本实施例中为了有效地增强目标特征，在网络中使用了注意力处理，如图5所示，由通道注意力和空间注意力组成。其中，需要注意，由特征处理部分输出得到的特征图O1、O2、O3、O4和O5需要经过上采样以让特征图大小恢复至原图大小，然后进行拼接。
经过通道注意力输出可表示为：
Figure BDA0003653685230000061
其中，AvgPool表示平均池化函数，MaxPool表示最大池化函数，ReLU表示ReLU激活函数，Sigmoid表示Sigmoid激活函数，Conv表示卷积操作，I为输入，
Figure BDA0003653685230000062
表示矩阵的哈达玛积运算。
经过空间注意力，输出可表示为：
Figure BDA0003653685230000063
其中，C是上一级的输出，Concat是连接操作符。
通道注意力可以学习到不同特征通道的重要性，使网络更加关注更重要的特征通道；空间注意力是来关注哪部分的特征是有意义的，不是图像中所有的区域对任务的贡献都是同样重要的，只有任务相关的区域才是需要被重视的，而空间注意力模型就可以网络中最重要的部分进行处理。
注意力处理部分后，再经过两个3×3卷积输出得到对比度增强后的Icst。
最后将颜色恢复的图像Ico和对比度增强的图像Icst进行融合，得到最终的对比度提升、色彩鲜明的增强图像。
为了更好地训练网络，损失函数采用L1损失和SSIM损失的结合：
Figure BDA0003653685230000064
其中，Ic表示目标图像，
Figure BDA0003653685230000065
表示水下增强预测图像，λ和μ为调整各自损耗分量重要度的标度系数，在实践中，将它们的值作为超参数进行调整。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (2)

1.一种联合双颜色空间恢复和多级解码结构的水下图像增强方法，具体包括如下步骤：
S1、对水下图像IRAW进行图像增强，得到待处理的图像IWB，具体过程如下：
将水下图像从RGB空间转换到YCbCr空间，分别计算红色浓度分量Cr、蓝色浓度分量Cb的平均值Mr、Mb；根据Mr、Mb，分别计算Cr、Cb的均方差Dr、Db；然后进行近白区域的判定，判定表达式为：
Cb(i，j)-(Mb+Db×sign(Mb))＜1.5×Db
且Cr(i，j)-(1.5×Mr+Dr×sign(Mr))＜1.5×Dr
其中，sign()代表符号函数，Cb(i，j)和Cr(i，j)分别代表点(i，j)处的蓝色色度分量和红色色度分量；
设置亮度矩阵RL，若图像点的红色浓度分量和蓝色浓度分量均符合上述判别式，则将该点(i，j)的亮度即Y分量值赋值给RL(i，j)；若不符合，则该点的RL(i，j)值置为0；
选取亮度矩阵RL中亮度值为最大的10％的点，然后选择这些点的亮度的最小值Lmin，如果RL(i，j)的值小于Lmin，则把RL(i，j)置为0，否则置为1；
分别把水下图像的RGB三通道值与亮度矩阵RL相乘，得到R2、G2、B2，再分别计算R2、G2、B2的平均值Raver、Gaver、Baver；在亮度分量矩阵Y中，计算出亮度的最大值Ymax，进而得到三通道增益Rgain、Ggain、Bgain，通过增益调整图像的RGB值，得到调整后的三种颜色通道R0，G0，B0，进而得到经过白平衡处理后处理后的图像IWB；
S2、对输入图像IRAW进行RGB域的增强，增强过程包括提取图像颜色特征GWB和生成置信度图CWB；其中，将输入图像IRAW与步骤S1得到的图像IWB分别通过1×1、3×3、5×5这3种大小的卷积核进行特征提取，将特征提取后的图像进行拼接，将拼接后的图像依次经过两个3×3卷积输出得到GWB；将输入图像IRAW与步骤S1得到的图像IWB分别通过4个3×3卷积来获得置信度图CWB，其中，前3个卷积采用了ReLU激活函数，最后一个卷积操作采用的是Sigmoid激活函数；将得到的GWB与置信度图CWB融合，得到在RGB域增强的图像：
Figure FDA0003653685220000011
S3、获取颜色恢复后的图像，将RGB图像IRAW转换到Lab颜色空间，然后对ab通道进行颜色增强处理，最后把L通道拼接上去，得到完整的Lab空间下的图像，将得到的图像从Lab空间转换到RGB空间，得到在Lab颜色空间恢复的图像ILab，与步骤S2得到的增强后的RGB图像IRGB相加融合，得到颜色恢复后的图像Ico；
S4、对原始图像IRAW进行对比度的增强，具体为：
搭建水下图像对比度增强网络，所述增强网络的结构为卷积-多级反卷积结构，具体过程如下：在第一级反卷积：处理的特征图大小均为原图的1/16，相应的跳跃连接经过下采样过程以让特征图大小一致可以进行拼接；在第二级反卷积：处理的特征图大小均为原图的1/8，上一级的特征图经过上采样与本级对应连接，末尾引入原特征图；在第三级反卷积：处理的特征图大小为原图的1/4，上一级的特征图经过上采样与本级对应连接，末尾引入原特征图；
将得到的特征图经过注意力处理，再经过两个3×3卷积输出得到对比度增强后的Icst；
将步骤S3得到的颜色恢复的图像Ico和对比度增强的图像Icst进行融合，得到最终的增强图像。
2.根据权利要求1所述的一种联合双颜色空间恢复和多级解码结构的水下图像增强方法，其特征在于，步骤S2所述的卷积核的步长均为1。
CN202210548968.2A 2022-05-20 2022-05-20 联合双颜色空间恢复和多级解码结构的水下图像增强方法 Active CN114926359B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210548968.2A CN114926359B (zh) 2022-05-20 2022-05-20 联合双颜色空间恢复和多级解码结构的水下图像增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210548968.2A CN114926359B (zh) 2022-05-20 2022-05-20 联合双颜色空间恢复和多级解码结构的水下图像增强方法

Publications (2)

Publication Number Publication Date
CN114926359A true CN114926359A (zh) 2022-08-19
CN114926359B CN114926359B (zh) 2023-04-07

Family

ID=82807976

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210548968.2A Active CN114926359B (zh) 2022-05-20 2022-05-20 联合双颜色空间恢复和多级解码结构的水下图像增强方法

Country Status (1)

Country Link
CN (1) CN114926359B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116664454A (zh) * 2023-08-01 2023-08-29 中国海洋大学 一种基于多尺度颜色迁移参数预测的水下图像增强方法

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090201309A1 (en) * 2008-02-13 2009-08-13 Gary Demos System for accurately and precisely representing image color information
US20120081580A1 (en) * 2010-09-30 2012-04-05 Apple Inc. Overflow control techniques for image signal processing
US20140369601A1 (en) * 2012-01-03 2014-12-18 Chung-Ang University Industry-Academy Cooperation Foundation Apparatus and method for enhancing image using color channel
US20150010233A1 (en) * 2013-07-04 2015-01-08 Qualcomm Incorporated Method Of Improving Contrast For Text Extraction And Recognition Applications
CN106897972A (zh) * 2016-12-28 2017-06-27 南京第五十五所技术开发有限公司 一种白平衡与暗原色的自适应直方图水下图像增强方法
US20170310851A1 (en) * 2016-04-25 2017-10-26 Canon Kabushiki Kaisha Image processing apparatus, image processing method, and storage medium
CN107507145A (zh) * 2017-08-25 2017-12-22 上海海洋大学 一种基于不同颜色空间自适应直方图拉伸的水下图像增强方法
CN107920184A (zh) * 2016-10-07 2018-04-17 佳能株式会社 图像处理装置以及图像处理方法
CN108600725A (zh) * 2018-05-10 2018-09-28 杭州雄迈集成电路技术有限公司 一种基于rgb-ir图像数据的白平衡校正装置及方法
CN110378848A (zh) * 2019-07-08 2019-10-25 中南大学 一种基于衍生图融合策略的图像去雾方法
CN111275644A (zh) * 2020-01-20 2020-06-12 浙江大学 一种基于Retinex算法的水下图像增强方法和装置
CN113160263A (zh) * 2021-03-30 2021-07-23 电子科技大学 一种基于yolact实例分割的改进方法
CN113284064A (zh) * 2021-05-24 2021-08-20 西安理工大学 一种基于注意力机制跨尺度上下文低照度图像增强方法
CN113313644A (zh) * 2021-05-26 2021-08-27 西安理工大学 一种基于残差双注意力网络的水下图像增强方法
CN113344011A (zh) * 2021-06-25 2021-09-03 北京印刷学院 一种基于级联融合特征置信度加权的颜色恒常性方法
CN114067207A (zh) * 2021-11-16 2022-02-18 福州大学 一种基于深度学习和图像处理的蔬菜苗田杂草检测方法
WO2022062346A1 (zh) * 2020-09-27 2022-03-31 苏州科达科技股份有限公司 图像增强方法、装置及电子设备
CN114511479A (zh) * 2021-12-31 2022-05-17 阿里巴巴（中国）有限公司 图像增强方法和装置

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090201309A1 (en) * 2008-02-13 2009-08-13 Gary Demos System for accurately and precisely representing image color information
US20120081580A1 (en) * 2010-09-30 2012-04-05 Apple Inc. Overflow control techniques for image signal processing
US20140369601A1 (en) * 2012-01-03 2014-12-18 Chung-Ang University Industry-Academy Cooperation Foundation Apparatus and method for enhancing image using color channel
US20150010233A1 (en) * 2013-07-04 2015-01-08 Qualcomm Incorporated Method Of Improving Contrast For Text Extraction And Recognition Applications
US20170310851A1 (en) * 2016-04-25 2017-10-26 Canon Kabushiki Kaisha Image processing apparatus, image processing method, and storage medium
CN107920184A (zh) * 2016-10-07 2018-04-17 佳能株式会社 图像处理装置以及图像处理方法
CN106897972A (zh) * 2016-12-28 2017-06-27 南京第五十五所技术开发有限公司 一种白平衡与暗原色的自适应直方图水下图像增强方法
CN107507145A (zh) * 2017-08-25 2017-12-22 上海海洋大学 一种基于不同颜色空间自适应直方图拉伸的水下图像增强方法
CN108600725A (zh) * 2018-05-10 2018-09-28 杭州雄迈集成电路技术有限公司 一种基于rgb-ir图像数据的白平衡校正装置及方法
CN110378848A (zh) * 2019-07-08 2019-10-25 中南大学 一种基于衍生图融合策略的图像去雾方法
CN111275644A (zh) * 2020-01-20 2020-06-12 浙江大学 一种基于Retinex算法的水下图像增强方法和装置
WO2022062346A1 (zh) * 2020-09-27 2022-03-31 苏州科达科技股份有限公司 图像增强方法、装置及电子设备
CN113160263A (zh) * 2021-03-30 2021-07-23 电子科技大学 一种基于yolact实例分割的改进方法
CN113284064A (zh) * 2021-05-24 2021-08-20 西安理工大学 一种基于注意力机制跨尺度上下文低照度图像增强方法
CN113313644A (zh) * 2021-05-26 2021-08-27 西安理工大学 一种基于残差双注意力网络的水下图像增强方法
CN113344011A (zh) * 2021-06-25 2021-09-03 北京印刷学院 一种基于级联融合特征置信度加权的颜色恒常性方法
CN114067207A (zh) * 2021-11-16 2022-02-18 福州大学 一种基于深度学习和图像处理的蔬菜苗田杂草检测方法
CN114511479A (zh) * 2021-12-31 2022-05-17 阿里巴巴（中国）有限公司 图像增强方法和装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
JUNHAI LUO等: ""Localization Algorithm for Underwater Sensor Network：A Review"", 《IEEE INTERNET OF THINGS JOURNAL PP》 *
JUNHAI LUO等: ""Semi-supervised Cross-Subject Emotion Recognition Based on Stacked Denoising Autoencoder Architecture Using a Fusion of Multi-Modal Physiological Signals"", 《ENTROPY》 *
LILI DONG等: ""Underwater image enhancement via integrated RGB and LAB color models"", 《IMAGE COMMUNICATION》 *
刘峰等: ""全局模型和局部优化的深度网络显著性检测"", 《光学学报》 *
陈思遥等: ""水下图像增强和修复算法综述"", 《计算机应用研究》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116664454A (zh) * 2023-08-01 2023-08-29 中国海洋大学 一种基于多尺度颜色迁移参数预测的水下图像增强方法
CN116664454B (zh) * 2023-08-01 2023-11-03 中国海洋大学 一种基于多尺度颜色迁移参数预测的水下图像增强方法

Also Published As

Publication number Publication date
CN114926359B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
Liu et al. Real-world underwater enhancement: Challenges, benchmarks, and solutions under natural light
Huang et al. Underwater image enhancement via adaptive group attention-based multiscale cascade transformer
CN111915530B (zh) 一种基于端到端的雾霾浓度自适应神经网络图像去雾方法
CN111127336B (zh) 一种基于自适应选择模块的图像信号处理方法
CN111784582B (zh) 一种基于dec_se的低照度图像超分辨率重建方法
CN116309232B (zh) 一种结合物理先验与深度学习的水下图像增强方法
CN116152120B (zh) 一种融合高低频特征信息的低光图像增强方法及装置
CN111738948B (zh) 一种基于双U-net的水下图像增强方法
CN113284061B (zh) 一种基于梯度网络的水下图像增强方法
Wang et al. Underwater color disparities: Cues for enhancing underwater images toward natural color consistencies
CN115035011B (zh) 一种融合策略下自适应RetinexNet的低照度图像增强方法
CN114862707B (zh) 一种多尺度特征恢复图像增强方法、装置及存储介质
CN115880663A (zh) 一种低照度环境交通标志检测与识别方法
CN114926359B (zh) 联合双颜色空间恢复和多级解码结构的水下图像增强方法
CN116843559A (zh) 一种基于图像处理与深度学习的水下图像增强方法
CN115953311A (zh) 基于Transformer的多尺度特征表示的图像去雾方法
CN113436107B (zh) 图像增强方法、智能设备、计算机存储介质
CN113935916A (zh) 基于环境光感知的端到端水下图像复原方法
Wang et al. Underwater image quality optimization: Researches, challenges, and future trends
CN117974459A (zh) 一种融合物理模型和先验的低照度图像增强方法
CN107301625B (zh) 基于亮度融合网络的图像去雾方法
Ji et al. A deep retinex network for underwater low-light image enhancement
Liu et al. Learning multiscale pipeline gated fusion for underwater image enhancement
CN112734655A (zh) 一种基于卷积神经网络图像对crm增强的低光图像增强方法
CN113344798A (zh) 一种基于Retinex的暗图像增强方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant